城市轨道交通信号系统智能维护探究--中国期刊网

字体：大中小

首页> 原创作品> 正文

城市轨道交通信号系统智能维护探究

发表时间：2020/11/2 来源：《基层建设》2020年第21期作者：何潇

[导读] 摘要：近些年智慧地铁的发展越来越普及，特别是5G、大数据、云计算等一些列先进技术的飞速发展，更是助力各个城市深入推进智慧地铁的布局。

        天津轨道交通运营集团有限公司工程师
        摘要：近些年智慧地铁的发展越来越普及，特别是5G、大数据、云计算等一些列先进技术的飞速发展，更是助力各个城市深入推进智慧地铁的布局。信号系统作为城市轨道交通关键的行车指挥系统，是智慧地铁建设和发展的重要一环，因此有效整合新技术，革新既有信号系统维护模式，才能持续提高信号系统运行可靠性。
        关键词：智慧地铁；大数据；信号系统维护
        城市轨道交通运行间隔从某种意义上讲是一座城市生活和工作节奏的缩影，因此如何保证信号系统稳定、降低故障率，将对城市的发展起到举足轻重的作用。但现有信号维护系统存在维护模式分散、信息采集不够全面、数据整合分析不够完善，数据的可追溯性比较差等问题，因此当前的维护及管理方式不能满足智慧地铁的发展要求。
        1.信号维护系统现状
        目前大多数城市既有线信号系统的运行维护仍较多地依靠微机监测或各系统附属的维护监测设备。该情况存在着运营数据不够全面、各系统信息不能有效衔接等问题，也缺乏对信号系统运行状态整体的研判，不利于在系统全寿命周期内开展高效的运营维护管理工作，因此实现智能化运维管理已迫在眉睫。
        2.智能维护的基本原理
        搭建基于系统各类模拟/数字量采集、状态实时显示、历史数据存储查询、故障报警，形成设备状态实施监控和故障诊断预警的高效效维护管理的自动化系统，从而实现信号系统维护管理的智能化与实时性，有效简化维护检修流程，降低运营维护成本。
        3.智能维护的结构框架及功能
        本文研究的方案是建立信号智能维护中心，将原本分布在线路各车站及控制中心并入运维中心，统一管理，基本结构如图1所示。车站及车辆段监控设备采集轨旁设备状态信息，车辆段运转室设备记录上线列车信息，以上信息通过维护网络实时传入维护中心进行处理，通过终端显示出各分类信息。

        图1 信号智能维修系统结构图
        3.1信号各子系统的数据采集与存储功能
        ATS、区域控制器、联锁、数据传输、车载、计轴、轨旁电子单元、电源屏、转辙机、信号机等系统应具有自诊断及监测报警模块并能将故障和异常定位到板卡级，各子系统的监测报警数据通过维护监测网发送给维护监测服务器。维护监测服务器从以上各信号设备收集的数据由服务器中央数据库统一进行管理，该数据库包含设备的正常运行状态及设备特定的动作情况，通过预定义的结构反映设备的状态变化。
        3.2故障报警功能
        信号监测系统在监测到报警后向各工作站发送报警信息。工作站监控页面应以站场图、设备分布图、设备结构图或者是网络拓扑图的形式直观呈现设备故障状态和异常定位显示。在确定故障原因和定位故障设备部件后，系统根据故障的数据累计对比提出维修建议，从而降低系统平均故障时间。
        3.3故障预警功能
        在本方案中，依托数据系统原始状态数据，通过分类比较、逻辑判断及大数据技术，和对设备运行状态的长期跟踪记录，形成对设备的运行趋势预判，将对行车产生重大影响的部件由传统的故障修转变为预防修或状态修。例如，转辙机控制电路仿真模型，根据电路中各采集点的电气特性，识别并定位故障位置，并以动画的形式显示，同时显示故障参数值和正常参数值，便于维修人员快速更换部件及测试。
        4.智能维护中的技术
        4.1大数据处理技术
        运营维护大数据包括设备台账信息、故障维修履历、日常维护计划及记录、动作及使用频率等需要长期存储的数据，对以上数据分类整理，组建不同的数据库。作为下一步数据深度分析的依据，一方面原始数据的输入必须准确、可靠，另一方面作为数据传输必须保真、可靠，因此，数据存储选用分布式存储技术。大数据的处理设计专用的数据分析模型和数据挖掘算法。例如，搭建Storm实时处理平台，能够满足故障实时分析、各类信息流处理、连续性的查询等方面的要求，且处理速度非常快。
        4.2深度学习技术
        集成信号系统数据分析模型，通过分布式计算技术，和大量的数据样本，训练诊断机数据处理能力，通过不同场景的数据对比，得出尚未发生的故障特征，从而实现多设备运行趋势的判断，随着数据的不断积累，系统预判的准确性也会逐渐提高。
        以转辙机拉力测试为例，传统拉力数据测试方式只能记录特定时间点的拉力情况，虽能起到一定的监测作用，但一方面正常修程的拉力测试周期较长，另一方面数据比较离散，无法判断拉力变化趋势。深度学习的数据分析方式能有效解决该问题，首先连续采集道岔动作是转辙机拉力，其次可模拟道岔不同病害情况下转辙机拉力的变化情况，对此样本数据进行大量数据训练，在规定的拉力范围内，根据样本数据的变化规律提前发现道岔病害对转辙机的影响，提高转辙机使用寿命。同时也可逐步加入温度、湿度等环境因素对拉力的影响，从而在故障前就对拉力做出调整，变故障修为预防修。
        5.总结
        通过与信号系统运行维护的现状对比，并结合现场实际经验，能反映出本研究方案描述的智能维护管理的优势。即依托大数据，充分整合设备状态信息、操作信息、维护信息，再通过深度学习技术处理，能直观呈现出系统实时故障与设备运行趋势，实现真正意义上的状态修，为系统系统的长期稳定运行提供保障。